标题卡上写着“Scribe v3:以 1.95% 位列第二”,副标题为“非流式 AA-WER 指数,2026 年 11 月”,旁边是一个三柱领奖台,分别标注为 1.73% 预览版、银色并带暖色点缀的 1.95% Scribe v3,以及 2.04%,下方页脚写着“数据来自 Artificial Analysis,AA-WER v2.2”。
Guides & Insights

ElevenLabs Scribe v3:在 AA-WER 上以 1.95% 位居第二,落后于一个预览版

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

ElevenLabs Scribe v3 的头条数字是 1.95% 的词错误率,在 Artificial Analysis 的 AA-WER v2.2 非流式榜单上排名第二,落后于 Alibaba 的 Fun-Realtime-ASR-preview(1.73%),领先于 Microsoft AI 的 MAI-Transcribe-2(2.04%)。这句话准确,但也是解读这一结果最没用的方式,因为 1.95% 并不是一次测量——它是三个不同测试集的加权平均值,而在其中一个测试集上,Scribe v3 根本不是第二。它是第一,领先于排名比它高的那个模型。ElevenLabs 于 2026 年 11 月 9 日发布 Scribe v3,在同一次 API 调用中取代 Scribe v2,并于 11 月 17 日下调所有 Scribe 模型的价格。上线十天后,有趣的问题不再是这个模型好不好,而是这三个数字中你该相信哪一个。

1.95% 实际上由什么构成

Artificial Analysis 不会为每个模型发布单一的 WER,而是发布一个由三个经过清洗的语料库构建的综合指标(AA-WER Index),并且每个语料库的失效模式各不相同:来自 LibriVox 风格有声书的朗读语音、来自欧洲议会的议会语音,以及带口音英语的即兴多人财报电话会议。将它们平均成一个单一指数,作为一种便利手段是合理的,但作为采购工具却很糟糕,因为这三者对相同模型的排名并不一致。

以下是当前榜单上排名前四的详细分项数据。下面的每一个数字都来自 Artificial Analysis 自身,直接读取自榜单的数据负载,而非四舍五入后的显示值:

• 综合 AA-WER — Fun-Realtime-ASR-preview 1.73%,Scribe v3 1.95%,MAI-Transcribe-2 2.04%,Scribe v2 2.18%。

• 核心 AA-STT 集——Scribe v3 1.47%、Scribe v2 1.51%、MAI-Transcribe-2 1.83%、Fun-Realtime-ASR-preview 1.97%。Scribe v3 在这一项上直接胜出,而排名高于它的模型则在四者中垫底。

• VoxPopuli(议会场景)——Fun-Realtime-ASR-preview 1.17%,MAI-Transcribe-2 1.50%,Scribe v3 1.52%,Scribe v2 1.74%。Scribe v3 在此排名第三,仅以微弱差距落后于 Microsoft。

• Earnings-22(自发、带口音、多说话人)—— Fun-Realtime-ASR-preview 1.80%,MAI-Transcribe-2 2.99%,Scribe v3 3.34%,Scribe v2 3.95%。这正是排序反转最剧烈的地方:Microsoft 以 0.35 分领先 ElevenLabs,而综合得分的 0.09 分差距消失了。

Bar chart titled 'The 1.95% is an average of four different rankings', showing word error rate for Scribe v3, Scribe v2, MAI-Transcribe-2 and Fun-Realtime-ASR-preview across four corpora — composite, core AA-STT, VoxPopuli and Earnings-22 — with Scribe v3 highlighted in blue at 1.95%, 1.47%, 1.52% and 3.34% and a footer crediting Artificial Analysis AA-WER v2.2, read 20 November 2026.

这个规律并非随机。Scribe v3 在干净的朗读语音上表现最强,而在最接近真实会议的语料上表现最弱——这类语料包含说话人重叠、不流畅现象、电话带宽和口音。而这恰恰也是企业买家真正最关心的语料,因此综合评分的排序与联络中心的实际体验可能会出现差异。如果你的音频是播客和演播室访谈,那么 1.47% 这个数字比 1.95% 更接近你的实际情况;如果是销售通话,那么 3.34% 才是。

它上方的模型是一个预览版

Fun-Realtime-ASR-preview 在综合评分中排名第一,而它靠的是两个最难的语料库,而不是简单的那个。它的中位速度倍率为 20.3——约为实时的二十分之一——这意味着处理一小时音频大约需要三分钟,标价为每 1,000 分钟 2.82 美元。Scribe v3 以实时的 76.8 倍进行转写,价格为每 1,000 分钟 3.33 美元。因此,领先者更慢、整体更便宜,而且名字里带着 preview 字样。

这些都不会让排名出错;该指数衡量的是准确率,而非就绪程度。但它确实意味着,“Scribe v3 排名第二”这句话会暗示第一名由某个生产模型占据,而事实并非如此。A​libaba 的条目在榜单上没有发布日期,没有公布按语言划分的明细,而且标识符中还带有“preview”一词。本季度选择供应商的团队,是在将一个已交付产品与一个评估版本进行比较,而两者之间 0.22 分的差距,比同一指数内两个语料库之间的差异还小。

从 v2 到 v3,用两种方式衡量

ElevenLabs 为 Scribe v3 发布的自家数据是:在一次内部 FLEURS 运行中,覆盖 102 种语言,词错误相较 Scribe v2 降低 27%——从 16.94% 降至 12.38%——并声称在所有测试语言中均有改善,此外说话人分离错误降低 12%,当有三位或更多说话人时降低 17%。这些是厂商数据,运行在厂商自己版本的一个公开基准上;ElevenLabs 也异常坦率地表示,其 FLEURS 平均是按语言计算而非语料库级别,因此无法与已发布的 FLEURS 数字相比较。

Artificial Analysis 用其自有评测框架运行后显示,增益较小:综合指标从 2.18% 降至 1.95%,相对提升约 11%;吞吐量从 53.5× 提升到 76.8×。这两种说法都成立。在多语言 FLEURS 上 27% 的相对改进,与在三个英语语料库上 11% 的相对改进,衡量的是不同的东西,而二者之间的差距是发布材料中最有用的事实——它告诉你,优势集中在英语朗读语音之外,而这正是厂商声称其考察所在的地方。

Screenshot of the ElevenLabs Speech to Text documentation page showing its model cards: Scribe v3 as the most accurate speech recognition model for recorded audio with 27% fewer word errors than Scribe v2 on FLEURS, diarization to 32 speakers, keyterm prompting up to 1,000 terms and word-level timestamps, alongside the Scribe v3 Live card claiming 44% lower semantic WER than Scribe v2 Realtime.

Scribe v3 与 v2 之间的功能差异比营销宣传所暗示的要小。Scribe v3 保留了 v2 的功能集:说话人分离最多支持 32 位说话人、批处理支持 1,000 个关键术语、词级时间戳、实体检测、转录文本编辑、导出为 SRT 和 DOCX。它新增了对录音的自动语言推断、数字格式控制、次要语言代码,并在实时方面增加了包含 10,000 个术语的关键术语库和轮次预测。它还去掉了一项功能:没有逐字模式。微软的 MAI-Transcribe-2 通过一个开关同时提供逐字和整理两种样式,而对于合规和质检转录来说,这是功能上的差异,而非外观上的差异。

11月17日对算术做了什么

发布八天后,ElevenLabs 全面下调 Speech to Text 定价:批量转写每小时 0.20 美元,实时转写每小时 0.22 美元,适用于自助服务版和 Business 版,覆盖所有 Scribe 模型。也就是每 1,000 分钟 3.33 美元和 3.67 美元。正是这个数字让准确率对比表变得有实际意义,因为在旧价格下,对微软 0.09 个百分点的准确率劣势很容易辩解,而在新价格下,价格差距就是全部论据。

Screenshot of the ElevenLabs changelog entry headed 'Lower Speech to Text prices', stating that Speech to Text now costs $0.20 per hour for batch transcription and $0.22 per hour for realtime transcription for every Scribe model on all self-serve and Business plans, with enterprise pricing unchanged, and the November 9 and November 17, 2026 sidebar entries visible.

关于读取排行榜价格列的一点提醒:Scribe v3 的 $3.33 正好是每小时 $0.20,Scribe v2 的 $3.67 正好是每小时 $0.22,而这两个价格分别是 ElevenLabs 当前列表中的批量和实时费率。两行 ElevenLabs 数据按两个不同 SKU 定价时,会被读成每千个 34 美分的 v2 到 v3 折扣,而这一折扣并不存在。在从排名表得出定价结论之前,请检查追踪器采样的内容。

对任何构建转录文本背后流水线的人来说,值得直说:这些语音模型——无论是 Scribe v3 还是 MAI-Transcribe-2——都不在 OrcaRouter 的名单上,上面的费率是 ElevenLabs 和 Microsoft 的,不是我们的。我们路由的是 转录文本所汇入的那一层:会议记录交给一个模型,合规审查交给另一个模型,全部通过一个密钥,同时按 0% 加价透传供应商目录价以及自动故障转移在供应商之间进行。这在语音流水线中比在其他场景更重要,因为转录文本是输入,不是产品,而产品通常位于下游三次模型调用之后。

接下来两周应该能确定什么

这张图里缺了两样东西,而两者都是暂时的。第一个是流式榜单。Scribe v3 Live 与批处理模型一同发布,声称在 102 种语言上相比 Scribe v2 Realtime 将词错误率降低 31%,语义 WER 降低 43%,并且包含 ElevenLabs 已推出的首个实时说话人分离功能——在 16 种语言集合的英语切片上错误率为 3.1%,而其他实时模型为 5.9% 到 7.3%。这些是供应商在与其自身对齐的参考基准上给出的数字,且流式排行榜尚未标绘该模型,因此该说法目前无法证伪,而非已得到证实。

第二个是医疗变体 Scribe v3 Live Medical,它根本不是 API 模型:它存在于 ElevenAgents 中,处于早期访问阶段,需要 turn_v3 轮次模型,没有单独费率,并且文档中警告:在确认其符合 HIPAA 资格之前,不要发送受保护健康信息。批量 API 医疗模型仍为 Scribe v2 Medical。这个产品系列在发布时,本应推出临床批量产品的位置却留下了一个空缺。

老实说,Scribe v3 上线十天后的一句话评价是:它是干净朗读语音上最好的非流式模型,在会议场景中排名第二,是 ElevenLabs 已发布的最快产品,而且在 11 月 17 日之后,它的价格已经足够低,以至于准确率论据和价格论据终于指向了同一个方向。榜单上唯一压在它上面的还是一个预览版,而预览版可签不了合同。